关键词： 激光雷达   目标检测   点云掩码   不确定性估计  

摘要： 激光雷达获取的三维点云数据是自动驾驶的关键数据源,但其标注难度大、数据量有限且标签不确定性高,限制了基于深度学习的三维目标检测模型的训练效果。针对以上问题,提出点云掩码策略构建预训练数据集,结合迁移学习提升模型检测精度;提出基于高斯分布的定位不确定性估计建模方法,使目标检测模型在预测边界框坐标的同时预测每个坐标的定位不确定性。实验结果表明,在不明显增加算法复杂度的前提下,新方法有效减少了误检现象,显著提高了目标检测的准确性。

关键词： 叶片   三维重建   坐标测量机   计算机视觉   检测效率  

摘要： 经典的计算机视觉三维重建运用在叶片这类工件时存在重建成功率低,缺乏数据集和计算时间较长的问题。文章综合对比经济性、效率、精度和完整度等指标,选择基于双目实验装置方案,针对重建成功率低的问题,对经典的ORB-SLAM3算法进行了改进,在角点提取算法部分增加一个高反光因子来排除因反光而产生的伪角点,实验结果表明改进后重建成功率由80%提升至95%。针对叶片稠密三维重建时缺少数据集和计算开销大的问题,建立了叶片的深度学习专用数据集,并对经典的PatchMatchNet算法进行改进,借鉴传统算法在初始化分区后三角区域中利用关键点深度信息使用平面插值初始化的方法,使初始化值与真值更相近,以此减少计算花销改进后的算法节约计算开销0.45 s,提高重建效率9.17%。

关键词： 自动装箱系统   弱光环境   图像增强   目标检测   KinD网络   YOLO 11  

摘要： 针对在厢式货车中的弱光环境下,对自动装箱系统的箱体识别精度低的问题,提出一种基于优化的Kindling the Darkness(KinD)网络与You Only Look Once 11(YOLO 11)目标检测的视觉识别方法。对KinD网络进行结构优化,引入双边滤波降噪和Sobel边缘增强模块,实现图像亮度与细节的有效提升;通过YOLO 11算法检测瓦楞纸箱,进行三维定位与姿态估计。结果表明,优化的KinD网络经图像增强后,平均峰值信噪比达到15.04 dB,结构相似性指数为0.72,图像处理时间为0.338 s;YOLO 11算法对增强图像的目标检测匹配度达到完全匹配26.7%、高匹配42.7%,整体平均位置误差归一化值为0.0143。研究为物流行业的自动装卸工作提供技术支撑。

关键词： 深度学习   3D目标检测   YOLOv7   注意力机制   自动驾驶  

摘要： 目前基于雷达点云的3D目标检测算法在准确度上能达到令人满意的效果,但是速度慢,很难达到自动驾驶场景下对于实时性的要求。该文在Complex-YOLO基础上进行改进,将点云数据编码投影到鸟瞰图上后,使用YOLOv7算法进行检测并通过施加注意力机制对不同通道的权重进行重新分配,再利用完全交并比(CIoU)损失改进模型损失函数。在KITTI数据集上的实验表明,基于YOLOv7的3D目标检测算法检测速度可以达到70.4FPS,并且在简单和中等难度的样本检测中能获得不错的性能。

关键词： 图像处理   多类番茄病害   早晚期识别   陀螺块   纹理注意力  

摘要： [目的]本文提出一种具有新轻量化瓶颈层模块和纹理注意力的TB-MobileNetV2轻量级网络,旨在解决多类番茄不同病害程度识别研究较少、识别精度较低、收敛速度较慢等问题。[方法]参照设计高效网络的相关准则设计了更高效轻量的瓶颈层模块设计即陀螺块(TOP Block),使用对病害纹理特征具有更高效关注的改进纹理注意力模块(texture coordinates attention)。[结果]TB-MobileNetV2对包含16种类别的番茄早晚期病害数据集的测试集识别准确率为88.49%,较原MobileNetV2网络提升了2.18%,且具有计算量减少与单张图片运行时间基本相同的优势;同时其准确率和收敛速度也均优于ShuffleNetV2 1.0×、MobileNetV3-Small、MobileNetV2和MobileNeXt等轻量级网络。[结论]本文提出的TB-MobileNetV2能有效提高对多种番茄早晚期病害识别准确率。

关键词： 焊缝缺陷分类   YOLOv8   深度学习   轻量化   图像处理  

摘要： 焊接过程中产生的焊缝缺陷对结构件的强度和使用寿命有较大的影响。针对现有焊缝缺陷分类模型中存在的参数量大、推理速度慢、成本高等问题,提出了一种轻量级实时焊缝分类模型(TDRE-YOLO-cls)。首先,更改YOLOV8n-cls模型架构,将较浅层的C2f模块更改为含有RepConv模块的重参数重塑卷积(RCR)模块,这样在获取多尺度特征的同时,有效控制了推理速度。其次,引入了一种含有特殊下采样和压缩机制的位置特定注意力模块(DPSA),有效减少了模型参数量。最后,为了进一步提升模型对关键信息的提取能力,为DPSA模块设计了一种专用的CSE注意力机制。结果表明,所提出的模型相较于YOLOv8n-cls,在推理速度同样为0.9 ms/frame的前提下,Top-1准确率提高了2.4%,加权精确率提高了2.3%,加权召回率提高了2.4%,并且模型参数量减少了52.1%。

关键词： 可变形卷积   目标检测   损失函数   深度学习   实时监测  

摘要： 穿戴个人防护装备是保障矿井人员作业安全的重要手段,开展矿井人员防护装备监测是煤矿安全管理的重要工作内容。煤矿井下环境较为复杂,视频监控易受到噪声、光照以及粉尘等因素干扰,导致现有的目标检测方法对矿井人员防护装备存在检测精度低、实时性差、模型复杂度高等问题。为此,提出一种改进YOLOv8的矿井人员防护装备实时监测方法,称为DBE-YOLO。DBEYOLO模型首先在基准模型主干网络的CBS模块中结合可变形卷积(DCNv2)组成DBS模块,使卷积具有可变形能力,在采样时可以更贴近检测物体的真实形状和尺寸,更具有鲁棒性,有效提升了其对不同尺度目标的特征获取能力,有利于模型提取更多人员防护装备的特征信息,提高模型检测精度。其次在特征增强网络融合了加权双向特征金字塔机制(BiFPN),在多尺度特征融合过程中删除效率较低的特征传输节点,实现更高层次的融合,提高了对不同尺度特征的融合效率,同时BiFPN引入了一个可以学习的权值,有助于让网络学习不同输入特征的重要性。最后使用WIoUv3作为模型的损失函数,其通过动态分配梯度增益,重点关注普通锚框质量,在模型训练过程中减少了低质量锚框产生的有害梯度,进一步提升了模型性能。实验结果表明,DBE-YOLO模型在矿井人员防护装备监测中有着良好的效果,查准率、查全率、平均精度分别为93.1%、93.0%、95.8%,相较于基准模型分别提高0.8%,2.9%,2.9%,检测实时性提升到65 f·s^(-1),提高了8.3%,此外,参数量、浮点计算量、模型体积分别为2 M、6.6 G、4.4 MB,相较于原模型分别降低33.3%、18.5%、30.2%。使用煤矿现场作业视频监控对改进模型进行验证,其有效改善了漏检和误检问题,为提高矿井人员的作业安全提供了技术手段。

关键词： 输电通道   仪表仪器   改进YOLOv11算法   目标检测  

摘要： 为解决输电通道异物检测中目标尺度小、样本稀缺、类别多样和背景复杂等问题,提出了一种改进的YOLOv11检测方法。实验结果表明,改进后的YOLOv11算法在目标识别与分类任务中达到89%的检测精度,优于当前主流的YOLO系列算法。

关键词： 目标检测   YOLOv9s   轻量级   注意力机制  

摘要： 针对复杂场景下受电弓弓角检测存在的实时性差及车载部署困难等问题,以YOLOv9s为基础,使用轻量化卷积GhostConv替代传统Conv,设计ORPEA-RepN4模块改进特征提取模块,并在其后添加CBAM模块增加检测能力。实验结果表明:与YOLOv9s相比,本文提出的模型对受电弓弓角检测的参数量降低了32.8%,弓角损坏的检测准确率提高了2.3个百分点,提升了弓角检测性能,满足边缘设备部署以及检测需求。

关键词： 深度学习   数字图像处理   卷积神经网络   生成对抗网络  

摘要： 数字图像处理实验平台在工业、医学、农业等领域具有重要意义,可以为图像处理任务提供高效、准确的解决方案;为解决数字图像处理中存在的信息缺失、噪声干扰、低分辨率等问题,通过结合卷积神经网络和生成对抗网络等先进技术,采用模块化设计及数据增强、迁移等方法,设计了一种多功能的数字图像处理平台,包括图像超分辨率重建、风格转换、去噪、去雾、修复、抠图等功能;用户可以根据需求选择不同的处理模块构建自己的处理系统,展现了平台的灵活性和可定制性;通过案例验证,证实了该图像处理实验平台的有效性和便捷性。